मागणी अंदाज

नफा:

• मागणीच्या अंदाज पद्धतींमध्ये फरक करण्याची क्षमता (मुव्हिंग एव्हरेज, एक्सपोनेन्शियल स्मूथिंग, सीझनॅलिटी)
• AI सह अंदाज परिस्थिती सेट करण्याची आणि MAPE/MAE सारख्या मेट्रिक्ससह अचूकतेचे मूल्यांकन करण्याची क्षमता
• व्यावसायिक संदर्भ आणि प्रचारात्मक/हंगामी प्रभावांसह अंदाज आउटपुट क्रॉस-चेक करण्याची क्षमता

मागणी अंदाज हे उत्पादन नियोजन, यादी व्यवस्थापन आणि संपूर्ण पुरवठा साखळी आधारित आहे. चुकीचा अंदाज लावणे दोन्ही मार्गांनी महाग आहे: जास्त अंदाज लावणे इन्व्हेंटरी खर्च आणि अपव्यय निर्माण करते, कमी लेखल्याने विक्री गमावली जाते आणि ग्राहक असंतोष होतो. कृत्रिम बुद्धिमत्ता अंदाज प्रक्रियेत अनेक ठिकाणी मदत करते, पद्धत निवडण्यापासून ते ऐतिहासिक डेटाचा अर्थ लावणे आणि परिस्थिती निर्माण करणे; पण अंदाज "जादू क्रिस्टल बॉल" म्हणून पाहणे ही सर्वात मोठी चूक आहे. या युनिटमध्ये, आम्ही शास्त्रीय अंदाज पद्धती, त्यांना AI सह योग्यरित्या कसे तयार करावे आणि अचूकता कशी मोजावी हे समाविष्ट करू.

अंदाज पद्धतींचा संक्षिप्त नकाशा

मागण्यांची प्रत्येक मालिका सारखीच वागते असे नाही; काही फ्लॅट आहेत, काही ट्रेंड आहेत, काही हंगामी आहेत. मालिकेनुसार पद्धत निवडणे आवश्यक आहे.

पद्धत

ते केव्हा योग्य आहे?

लक्ष द्या

भोळे (शेवटचे मूल्य)

तुलनेसाठी (बेंचमार्क)

ट्रेंड/सीझन फॉलो करत नाही

हालचाल सरासरी

स्थिर, गोंगाट करणारी मालिका

ट्रेंडवर उशीरा प्रतिक्रिया देतो

एक्सपोनेन्शियल स्मूथिंग (एसईएस)

स्थिर मालिका, जवळच्या डेटावर भर

ट्रेंड नसल्यास चांगले

होल्ट (दुहेरी घातांकीय)

ट्रेंडी मालिका

हंगाम पकडत नाही

हॉल्ट-विंटर्स

ट्रेंड + हंगाम

पुरेसा ऐतिहासिक डेटा आवश्यक आहे

प्रतिगमन/ML

मल्टी-व्हेरिएबल, प्रचार प्रभावी

ओव्हरफिट होण्याचा धोका

टीप: नेहमी "भोळ्या" अंदाजाने सुरुवात करा. जर तुमचे जटिल मॉडेल भोळे अंदाजापेक्षा चांगले नसेल, तर ते जटिलता वाहून नेण्यासारखे नाही. अचूकता मोजण्यासाठी भोळे हे एक विनामूल्य बेंचमार्क आहे.

आम्ही अचूकता कशी मोजतो? (मेट्रिक्स)

अंदाज अचूकता मोजल्याशिवाय सुधारता येत नाही. सर्वात सामान्य मेट्रिक्स:

• MAE (मीन परिपूर्ण त्रुटी): त्रुटींच्या परिपूर्ण मूल्याची सरासरी. युनिट मागणी युनिट सारखेच आहे.
• RMSE (रूट मीन स्क्वेअर एरर): मोठ्या त्रुटींना अधिक दंड करते.
• MAPE (मीन पूर्ण टक्के त्रुटी): टक्के मध्ये; आयटममधील तुलना करण्यासाठी चांगले, परंतु जेव्हा मागणी शून्याच्या जवळ असते तेव्हा विकृत होते.
• पूर्वाग्रह: सरासरी त्रुटी; तुम्ही सातत्याने जास्त/कमी लेखत आहात की नाही हे सूचित करते.

एक लहान नमुना खाते. वास्तविक मागणी [100, 120, 90] असू द्या, अंदाज [110, 115, 100] असू द्या:

त्रुटी (वास्तविक - अंदाज): -10, +5, -10निरपेक्ष त्रुटी: 10, 5, 10 → MAE = 25 / 3 ≈ 8.33 टक्केवारी त्रुटी: 10/100, 5/120, 10/90 = 10%, 17%, +17% (+17%. 4.17 + 11.11) / 3 ≈ 8.43% बायस = (-10 + 5 - 10) / 3 = -5 → सरासरीपेक्षा जास्त अंदाज (अंदाज > वास्तविक)

नकारात्मक पूर्वाग्रह (खरा वजा अंदाज) सूचित करतो की अंदाज सातत्याने जास्त आहे; याचा अर्थ इन्व्हेंटरी इन्फ्लेशन. अशा दिशात्मक त्रुटी MAPE मध्ये लपवल्या जाऊ शकतात, म्हणून त्या एकत्रितपणे पाहिल्या जातात.

AI सह अंदाज प्रक्रिया तयार करणे

तुम्ही दोन ठिकाणी AI सर्वात कार्यक्षमतेने वापरू शकता: (1) डेटा पाहण्यासाठी आणि योग्य पद्धती आणि कृती सुचवण्यासाठी आणि (2) भविष्यसूचक कोड तयार करण्यासाठी. पद्धती सूचनेसाठी:

भूमिका: तुम्ही एक औद्योगिक अभियंता आहात ज्याला मागणीचा अंदाज आहे. कार्य: खालील मासिक विक्री मालिका तपासा आणि योग्य अंदाज पद्धतीची शिफारस करा. एक ट्रेंड आणि हंगाम आहे की नाही याचे मूल्यांकन करा, तुमचे औचित्य लिहा. डेटा (मासिक, शेवटचे २४ महिने): {{ values}}अतिरिक्त माहिती: डिसेंबरमध्ये जाहिरात असते, उन्हाळ्याच्या महिन्यांत मागणी कमी होते. मला पाहिजे असलेले आउटपुट: 1. मालिकेच्या पात्रावर टिप्पणी द्या (स्थिर/ट्रेंडिंग/हंगामी).2. 2 शिफारस केलेल्या पद्धती आणि का.3. मी कोणत्या अचूकतेचा मागोवा घ्यावा?4. मी ज्या समस्यांकडे लक्ष दिले पाहिजे (बाहेरील, प्रचारात्मक प्रभाव).नियम: डेटा पाहिल्याशिवाय परिपूर्ण अचूकतेचे वचन देऊ नका.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

मी पुढच्या महिन्यात किती विकू?

यात डेटा किंवा संदर्भ नाही; एआय एकतर ते नाकारते किंवा पूर्णपणे तयार केलेला नंबर परत करते. असे आउटपुट धोकादायक आहे कारण ते विश्वासार्ह दिसते.

शक्तिशाली सूचना:

या २४ महिन्यांच्या मालिकेसह होल्ट-विंटर्स लॉजिक वापरून पुढील ३ महिन्यांचा अंदाज लावा. हंगामाची लांबी 12 आहे. प्रथम पद्धतीचे अनुमान लिहा, नंतर अंदाज द्या, नंतर मागील 6 महिन्यांची बॅकटेस्ट करून MAPE ची गणना करा. जाहिरातीचे महिने स्वतंत्रपणे चिन्हांकित करा. डेटा: {{ ... }}

दुसरा प्रॉम्प्ट अंदाज आणि त्या अंदाजावर किती विश्वास ठेवायचा हे दोन्ही विचारतो (बॅकटेस्टिंग). हे "ओरॅकल" मधील अंदाज मोजता येण्याजोग्या साधनात बदलते.

बॅकटेस्टिंग: भविष्यवाणीमधील आत्मविश्वासाचे मोजमाप

भविष्यवाणीची खरी परीक्षा भूतकाळात आहे, भविष्यात नाही. तुम्ही तुमच्याकडे असलेला डेटा दोनमध्ये विभागता: मॉडेल बिल्डिंग (ट्रेन) आणि चाचणी. तुम्ही पहिल्या भागासह मॉडेल तयार करा, पुढील कालावधीचा अंदाज लावा आणि वास्तविकतेशी तुलना करा. हे "होल्ड-आऊट" लॉजिक मॉडेल प्रत्यक्षात काम करत आहे की नाही हे स्पष्ट करते.

खालील मालिकेसाठी एक साधी बॅकटेस्ट योजना सेट करा: चाचणी म्हणून शेवटचे 6 महिने बाजूला ठेवा, उर्वरित डेटासह 3 भिन्न पद्धती (निरागस, SES, होल्ट-विंटर्स) प्रशिक्षित करा, चाचणी कालावधी दरम्यान प्रत्येकासाठी MAPE आणि पूर्वाग्रहाची गणना करा आणि एक तुलना सारणी बनवा. जिंकण्याची पद्धत आणि तर्क लिहा.

सावध रहा: एआय कधीकधी बॅकटेस्ट निकालांचा "अंदाज" करू शकते आणि तुम्हाला तयार चार्ट सादर करू शकते; म्हणजेच, तो वास्तविक गणना न करता वाजवी वाटणाऱ्या संख्या बनवू शकतो. कोड (Python/Excel) सह संख्यात्मक परिणाम पुनरुत्पादित करण्याचे सुनिश्चित करा. भाषा मॉडेल दीर्घ अंकगणित विश्वसनीयरित्या पार पाडत नाही.

मिनी केस: हंगामी उत्पादनाचा ओव्हरस्टॉक

अन्न वितरण कंपनी दरवर्षी हिवाळ्यात आईस्क्रीमसारख्या हंगामी उत्पादनाचा जास्त साठा असल्याची तक्रार करते. औद्योगिक अभियंता एलिफ AI ला 3 वर्षांचा मासिक डेटा देतो आणि मालिकेच्या पात्राचे मूल्यांकन करण्यास सांगतो. AI मजबूत हंगामी (उन्हाळ्यातील शिखर) आणि थोडासा वार्षिक वाढीचा ट्रेंड शोधते, होल्ट-विंटर्स सुचवते. एलिफ पायथॉनमध्ये अंदाज तयार करतो आणि त्याची चाचणी घेतो: MAPE 14% आहे, परंतु पूर्वाग्रह लक्षणीयपणे नकारात्मक आहे — मॉडेल सातत्याने जास्त अंदाज लावते. तो का तपासतो तेव्हा, त्याला आढळते की त्याने ऐतिहासिक डेटामधील मोहिमेचा कालावधी "सामान्य" समजला आणि मॉडेलला खूप उच्च आधार शिकवला. जेव्हा आम्ही मोहिमेचा प्रभाव काढून टाकतो आणि मॉडेलची पुनर्बांधणी करतो तेव्हा पूर्वाग्रह कमी होतो आणि हिवाळ्यातील स्टॉक लक्षणीयरीत्या कमी होतो. धडा: AI ने पद्धत योग्यरित्या सुचवली, परंतु डेटा साफ करणे आणि पक्षपाताचा अर्थ लावणे हे मानवी काम होते.

सामान्य चुका

• मेट्रिक्सचा मागोवा घेत नाही: अचूकतेचा अंदाज लावणे आणि कधीही मोजत नाही. मोजमाप न करता अंदाज सुधारता येत नाही.
• फक्त MAPE कडे पहात आहे: पक्षपातीकडे दुर्लक्ष करत आहे. दिशात्मक (पद्धतशीर) त्रुटी शांतपणे इन्व्हेंटरी वाढवते.
• गणनेसाठी AI द्वारे तयार केलेल्या संख्येची चूक करणे: कोडसह बॅकटेस्ट आणि मेट्रिक मूल्यांचे प्रमाणीकरण न करणे.
• आउटलायर/प्रमोशन साफ ​​न करणे: एक-वेळची मोहीम ही सामान्य मागणी समजणे आणि मॉडेलला शिकवणे.
• ओव्हरफिट: जेव्हा एखादे जटिल मॉडेल भूतकाळात पूर्णपणे फिट होते परंतु भविष्यात खराब कामगिरी करते. बेंचमार्क म्हणून साधे मॉडेल ठेवा.

सारांशात

• मालिकेच्या वर्णानुसार अंदाज पद्धत निवडा (स्थिर, ट्रेंडिंग, हंगामी); नेहमी स्वतःची तुलना भोळ्या माणसाशी करून सुरुवात करा.
• MAE/RMSE/MAPE सह अचूकता मोजा, ​​परंतु पूर्वाग्रह देखील पहा: दिशात्मक त्रुटी सर्वात महाग आहे.
• पद्धत शिफारस आणि कोड निर्मितीसाठी AI वापरा; अंदाज मोजण्यायोग्य साधन म्हणून सेट करा, "भविष्यवाणी" नाही.
• बॅकटेस्टिंग ही मॉडेल किती आत्मविश्वासाची असू शकते याची खरी कसोटी असते; कोडसह संख्यात्मक परिणाम सत्यापित करण्याचे सुनिश्चित करा.
• डेटा (बाह्य, जाहिरात) साफ करणे आणि परिणामाचा अर्थ लावणे हे माणसाचे काम आहे; AI या पायऱ्या वगळते.

अर्ज कार्य

किमान 18-24 कालावधीची मागणी मालिका (वास्तविक किंवा वास्तववादी काल्पनिक) ठेवा. प्रथम, AI ला मालिका द्या आणि तिच्या वर्णाचा (ट्रेंड/ऋतू) व्याख्या करण्यास सांगा आणि दोन पद्धती सुचवा. नंतर "बॅकटेस्ट प्लॅन" शक्तिशाली प्रॉम्प्ट वापरून शेवटचे 6 कालावधी चाचण्या म्हणून राखून ठेवा आणि किमान दोन पद्धतींची तुलना करा. गंभीर टप्पा: एक्सेल किंवा पायथनसह AI ने स्वतः परत केलेल्या MAPE आणि बायस व्हॅल्यूजची पुनर्गणना करा आणि त्यांची AI आउटपुटशी तुलना करा. तुम्हाला जुळत नसलेली संख्या आढळल्यास, ती लिहा. शेवटी, पूर्वाग्रहाच्या चिन्हाचा अर्थ लावा: तुमचे मॉडेल जास्त मोजणारे किंवा कमी लेखणारे आहे आणि हे तुमच्या इन्व्हेंटरीवर काय परिणाम करते?